巴伦周刊早在 2015 年 10 月, 就曾以 AI 为主题做过封面故事, 当时的标题为《Watch Out Intel, Here Comes Facebook》. 当中曾被提及的 Nvidia, 股价已大涨 770%, 而美光可能在 AI 发展之撑下, 成为新一代芯片界新星, 因为发展过程中, 需要许多的内存芯片, 该公司股价迄今已成长 270%.

Nvidia 五年来股价走势图
目前 AI 仍处于发展的初期, 未来可能会有更强劲的回报.
在网络和云端计算开始兴盛之下, 网络巨头可以在其数据中心, 汇整大量数据并进行计算, 计算机科学家创造出一种新的机器学习 (machine learning) 模式, 称为深度学习 (deep learning), 该模式不需要科学家制定明确的计算规则.
下图显示一个深度学习的例子, 其中一台计算机被教导辨识猫的照片, 数以百万计的猫图片被输入计算机, 以及许多不是猫的例子亦被输入, 例如狗的照片. 计算机将检测图像像素中, 许多基本形状的图案.

深度学习范例之一, 辨识猫与狗
然后它会发现这些非常基本的形状, 如何聚集形成相关的 (尖的耳朵) 和不相关的 (软的耳朵) 可辨识图案特征, 这将成为计算机新的模型, 之后在辨别图片是否为猫时, 它将套用此模型.
这种深度学习是一种强大的新范例: 人类只需要设定一个基本目标, 如分类图片, 接着让计算机找出解决方案的模式. 计算机所经历的一系列步骤被称为「网络」, 而不同的网络擅长不同的事物, 举例来说, 所谓的强化学习为使用非常简单的讯息, 只需要一个场景和一套规则, 它们变能找出最佳的行动模式.
Google 曾在 2017 年底, 使用这种方法制作能自我学习的计算机围棋 AI 模型 AlphaGo Zero. 该模型运用神经网络的技术, 它透过与自己对弈, 学习到各种招式并发现新的战略, 他在学习过程中并不需要人类的智能, 它最终击败了顶级人类围棋棋士.
而科技公司在 AI 发展中扮演的重要角色为, 提供所需的硬件支持或是新的机器设备, 例如 Nvidia 的 GPU 芯片效率比 Intel 的微处理器更高. 美光的内存芯片需求激增, 并预计在 2021 年推出可支持深度学习的芯片.
深度学习将在运算中变得更加普遍, 随着时间推移, 深度学习将接管人类编写程序的工作, 但受限于芯片和软件的发展, 要走到此目标还有很长一段路.